論文の概要: Anomaly detection in satellite imagery through temporal inpainting

• arxiv url: http://arxiv.org/abs/2512.23986v1
• Date: Tue, 30 Dec 2025 04:58:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.282362
• Title: Anomaly detection in satellite imagery through temporal inpainting
• Title（参考訳）: 時間印加による衛星画像の異常検出
• Authors: Bertrand Rouet-Leduc, Claudia Hulbert,
• Abstract要約: 深層学習は,衛星時系列の時間的冗長性を利用して,前例のない感度で異常を検出することができることを示す。 我々はSATLAS基礎モデル上に構築された塗装モデルをトレーニングし、Sentinel-2時系列の最後のフレームを再構築する。 急激な表面変化に影響を受ける領域に適用すると、予測と観測の相違により、従来の変化検出手法が見逃す異常が明らかになる。
• 参考スコア（独自算出の注目度）: 28.023703674946223
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detecting surface changes from satellite imagery is critical for rapid disaster response and environmental monitoring, yet remains challenging due to the complex interplay between atmospheric noise, seasonal variations, and sensor artifacts. Here we show that deep learning can leverage the temporal redundancy of satellite time series to detect anomalies at unprecedented sensitivity, by learning to predict what the surface should look like in the absence of change. We train an inpainting model built upon the SATLAS foundation model to reconstruct the last frame of a Sentinel-2 time series from preceding acquisitions, using globally distributed training data spanning diverse climate zones and land cover types. When applied to regions affected by sudden surface changes, the discrepancy between prediction and observation reveals anomalies that traditional change detection methods miss. We validate our approach on earthquake-triggered surface ruptures from the 2023 Turkey-Syria earthquake sequence, demonstrating detection of a rift feature in Tepehan with higher sensitivity and specificity than temporal median or Reed-Xiaoli anomaly detectors. Our method reaches detection thresholds approximately three times lower than baseline approaches, providing a path towards automated, global-scale monitoring of surface changes from freely available multi-spectral satellite data.
• Abstract（参考訳）: 衛星画像からの表面変化を検出することは、急激な災害対応と環境モニタリングに重要であるが、大気騒音、季節変動、センサアーティファクトとの複雑な相互作用のため、依然として困難である。 ここでは, 衛星時系列の時間的冗長性を利用して, 前例のない感度で異常を検知し, 変化がない場合に表面がどう見えるかを予測する。 我々はSATLAS基盤モデルに基づく塗装モデルをトレーニングし、様々な気候帯と土地被覆タイプにまたがるグローバル分散トレーニングデータを用いて、以前の買収からSentinel-2時系列の最後のフレームを再構築する。 急激な表面変化に影響を受ける領域に適用すると、予測と観測の相違により、従来の変化検出手法が見逃す異常が明らかになる。 我々は,2023年トルコ・シリア地震の地震時表層破壊に対するアプローチを検証し,テペハンの亀裂の特徴を時間的中央値やリード・シアオリ異常検出器よりも高い感度と特異性で検出した。 提案手法は,基地局のアプローチの約3倍の精度で検出しきい値に到達し,自由なマルチスペクトル衛星データから表面変化を自動的かつグローバルに監視する方法を提供する。

関連論文リスト

• Deep Self-Supervised Disturbance Mapping with the OPERA Sentinel-1 Radiometric Terrain Corrected SAR Backscatter Product [41.94295877935867]
  地表面の乱れのマッピングは、災害対応、資源と生態系の管理、気候適応の取り組みを支援する。 合成開口レーダ(SAR)は、気象や照明条件に関わらず、地上の連続した時系列画像を提供する、外乱マッピングのための貴重なツールである。 NASAのRemote Sensing Analysis (OPERA)プロジェクトは2023年10月にSentinel-1 (RTC-S1)データセットからほぼグローバルな測地線補正SAR後方散乱器をリリースした。 本研究では,地表面の乱れを体系的に解析するために,この新たなデータセットを利用する。
  論文  参考訳（メタデータ） (2025-01-15T20:24:18Z)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• Satellite Image Time Series Semantic Change Detection: Novel Architecture and Analysis of Domain Shift [38.96950437566293]
  衛星画像時系列(SITS-SCD)を用いた意味変化検出の試み 本稿では,技術状況を改善し,パラメータの数に応じて拡張し,長期的時間的情報を活用する新しいアーキテクチャを提案する。 実用的なユースケースでは、モデルが空間的および時間的シフトに適応する必要があるが、これは依然として課題である。
  論文  参考訳（メタデータ） (2024-07-10T12:54:51Z)
• Portraying the Need for Temporal Data in Flood Detection via Sentinel-1 [5.380009458891537]
  リモートセンシングデータの洪水被害地域を特定することは 地球観測において重要な問題です 世界中の多様なMMFloodデータセットをマルチ日付に拡張し、各洪水イベントに関するSentinel-1観測を1年間提供する。 本稿では,人気ビデオ変化検出器ViBeにインスパイアされた簡易な方法を提案する。
  論文  参考訳（メタデータ） (2024-03-06T12:47:49Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• Deep Learning-based Damage Mapping with InSAR Coherence Time Series [3.286503080462008]
  本研究では, 深層学習とSAR観測のフルタイム履歴を組み合わせた損傷マッピング手法を提案する。 我々は、インターフェロメトリSARコヒーレンス時系列を用いて地球表面の変化を定量化し、確率的異常検出器としてリカレントニューラルネットワーク(RNN)を用いる。 本研究では,Sentinel-1 SAR の複数年連続取得による3つの地震の被害予測に本手法を適用した。
  論文  参考訳（メタデータ） (2021-05-24T21:21:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。